Kunne den samme teknologi, der er vant til låse folks smartphones op også hjælpe med at låse op for universets hemmeligheder? Det lyder måske usandsynligt, men det er præcis, hvad forskere fra Schweiz' videnskabs- og teknologifokuserede universitet ETH Zürich arbejder på at opnå.
Indhold
- Mørkt stof betyder noget
- Svag gravitationslinser til undsætning
- Udtræk af de kosmologiske parametre
- En kosmologisk A.I.
Brug af en variation af typen af kunstig intelligens neuralt netværk bag nutidens ansigtsgenkendelse teknologi, har de udviklet nye A.I. værktøjer, der kunne bevise en game-changer i opdagelsen af såkaldte “mørkt stof." Fysikere mener, at forståelsen af dette mystiske stof er nødvendigt for at forklare grundlæggende spørgsmål om universets underliggende struktur.
Anbefalede videoer
"Den algoritme, vi [bruger], er meget tæt på det, der almindeligvis bruges i ansigtsgenkendelse," Janis Fluri, en Ph.D. studerende, der arbejder i et ETH Zürich-laboratorium med fokus på at anvende neurale netværk til kosmologiske problemer, fortalte Digital Trends. "Skønheden ved A.I. er, at den kan lære af stort set alle data. I ansigtsgenkendelse lærer den at genkende øjne, mund og næse, mens vi leder efter strukturer, der giver os hints om mørkt stof. Denne mønstergenkendelse er i det væsentlige kernen i algoritmen. I sidste ende tilpassede vi det kun for at udlede de underliggende kosmologiske parametre."
Mørkt stof betyder noget
Men hvad er det egentlig, forskerne leder efter? Lige nu er det ikke helt kendt. Men som USA's højesteretsdommer Potter Stewart mindeværdigt udtalte om uanstændighed: "Jeg ved det, når jeg ser det." Eller rettere, vi vil ikke - for det kan ikke ses. Men forskerne vil vide det, når de har fundet det. Velkommen til den mærkelige verden af mørkt stof.
Eksistensen af mørkt stof i en eller anden form har været antaget i mere end et århundrede. Det menes at tegne sig for omkring 27% af universet, hvilket opvejer synligt stof med et forhold på cirka seks til en. Alt i universet, som vi kan opdage - alt det atomare stof, der udgør galakser, stjerner, planeter, liv på jorden, den enhed, som du læser denne artikel om - er kun en lillebitte brøkdel af alt det stof, der eksisterer. Den overvældende hovedparten af den kan ikke spores direkte. Det er usynligt og i stand til at passere lige gennem almindeligt synligt stof.
I stedet er dets eksistens baseret på vores observationer om den måde, universet fungerer på; som en huskammerat, du aldrig ser, men er sikker på, at den eksisterer, fordi deres halvdel af regningerne bliver betalt, og nogen af og til bruger bruseren, når du ønsker det. Kun i dette tilfælde skyldes det, at forskere har fundet ud af, at hastigheden, hvormed galakser roterer, er tilstrækkelig hurtigt til, at de ikke kunne holdes sammen blot af tyngdekraften genereret af observerbare stof. Mørkt stof antages derfor at være de hemmelige ingredienser, der giver disse galakser den ekstra masse, de har brug for for ikke at rive sig selv fra hinanden som en selvmordspapirpose. Det er det, der driver normalt stof i form af støv og gas til at samle sig og samle sig til stjerner og galakser.
Svag gravitationslinser til undsætning
At lede efter noget, der ikke kan ses på, lyder svært. Det er. Men der er en måde, hvorpå forskerne er i stand til at lokalisere, hvor de tror, at mørkt stof er mest sandsynligt placeret. Det gør de ved at se på de subtile måder, hvorpå lyset, som tyngdekraften af store galaksehobe bøjer og forvrænger lyset fra fjernere galakser. Dette kaldes svag gravitationslinser.
At observere områderne omkring massive klynger af galakser gør det muligt for astronomer at identificere baggrundsgalakser, der virker skæve. Ved reverse-engineering af disse forvrængninger kan de så isolere, hvor de mener, at de tætteste koncentrationer af stof, både synlige og usynlige, kan findes. Tænk på det som fatamorganiseringseffekten, der får fjerne billeder til at være slørede og skinnende på en varm dag - kun meget længere væk.
"Tidligere ville man studere svage linsemassekort ved manuelt at vælge de relevante funktioner," forklarede Janis Fluri. "Dette er en meget kompliceret opgave, og der er ingen garantier for, at de valgte funktioner indeholder alle relevante oplysninger. Vi løser dette problem med A.I. nærme sig. De konvolutionelle neurale netværk, der bruges i vores arbejde, udmærker sig ved mønstergenkendelse."
Et konvolutionelt neuralt netværk er en type hjerne-inspireret kunstig intelligens, der ofte bruges til billedklassificeringsopgaver. Mens dens neuroner stadig har de indlærelige vægte og skævheder som konventionelle neurale netværk (dvs. de ting, der tillader det at lær), dens eksplicitte antagelse om, at den beskæftiger sig med billeder, da input tillader dets skabere at reducere antallet af parametre i netværk. Dette gør det mere effektivt.
"Dette var den første ansøgning af A.I. for rigtige kosmologiske data, inklusive alle praktiske aspekter, der følger med det."
"Groft sagt, [det virker ved, at vi forsyner netværkene] med en stor mængde data, de skaber automatisk et sæt komplekse filtre for at udtrække den relevante information fra kortene," Dr. Tomasz Kacprzak, en af de andre medforfattere til projektet, fortalte Digital Trends. "Så forsøger den at kombinere disse filtre optimalt for at give et så præcist svar som muligt."
Udtræk af de kosmologiske parametre
Forskerne trænede deres neurale netværk ved at tilføre det computergenererede data, som simulerer universet. Dette gjorde det muligt gentagne gange at analysere mørkt stofkort for at kunne udtrække "kosmologiske parametre" fra virkelige billeder af nattehimlen. Resultaterne viste forbedringer på 30 % sammenlignet med traditionelle metoder, baseret på menneskeskabte statistiske analyser.
"A.I. algoritmen har brug for en masse data for at lære i træningsfasen,” fortsatte Fluri. "Det er meget vigtigt, at disse træningsdata, i vores tilfælde simuleringer, er så nøjagtige som muligt. Ellers vil den lære funktioner, der ikke er til stede i rigtige data. For at gøre dette var vi nødt til at generere en masse store og nøjagtige simuleringer, hvilket var meget udfordrende. Bagefter var vi nødt til at justere algoritmen for at opnå maksimal ydeevne. Dette blev gjort ved at teste flere netværksarkitekturer for at optimere ydeevnen."
De brugte derefter deres fuldt trænede neurale netværk til at analysere faktiske kort over mørkt stof. Disse kom fra den såkaldte KiDS-450 datasæt, lavet ved hjælp af VLT Survey Telescope (VST) i Chile. Datasættet dækker et samlet areal på omkring 2.200 gange størrelsen af fuldmånen. Den indeholder optegnelser over omkring 15 millioner galakser.
På grund af denne ekstraordinært store mængde data, havde forskerne brug for en supercomputer til at sætte deres kunstige intelligens i spil. De kørte i sidste ende deres A.I. på en computer i Swiss National Supercomputing Center i Lugano, en by i det sydlige Schweiz, som grænser op til Italien. Supercomputerne på CSCS er tilgængelige for alle schweiziske universiteter og forskningsinstitutioner. Dens maskiner er så kraftige, at for at forhindre dem i at overophede, vand fra den nærliggende Luganosø pumpes ind til køling med en hastighed på 460 liter i sekundet.
En kosmologisk A.I.
"Dette var den første ansøgning af A.I. for rigtige kosmologiske data, inklusive alle praktiske aspekter, der følger med det,” sagde Fluri. "Vi kunne vise, at vores metode giver ensartede resultater på et relativt lille datasæt. Vi håber at bruge den samme metode på større observationer, men også at måle flere kosmologiske parametre for at undersøge andre aspekter af kosmologisk fysik. Endelig håber vi at lære ny indsigt om [den] mørke sektor af universet."
Ifølge Fluri har holdet nu bevæget sig ud over KiDS-450-datasættet, "da der er nyere og bedre datasæt nu." Et særligt er Mørk energiundersøgelse, en massiv synlig og nær-infrarød undersøgelse udført af forskningsinstitutioner og universiteter fra USA, Brasilien, Storbritannien, Tyskland, Spanien og Schweiz.
"Før vi kan analysere nye datasæt, er vi dog nødt til at tilpasse metoden, så den kan håndtere den øgede datamængde," sagde Fluri. ”Vi eksperimenterer i øjeblikket med nogle metoder for at opnå det. Derefter vil vi diskutere det næste datasæt, vi ønsker at analysere. Jeg kan ikke give dig en tidsskala endnu, da det afhænger af det valgte datasæt og kravene til simuleringerne."
Et papir, der beskriver arbejdet var for nylig offentliggjort i tidsskriftet Physical Review D.
Redaktørens anbefalinger
- Forskere vil bruge gravitationsbølger til at lære om mørkt stof
- Sådan ser du Euclid-teleskopet for mørkt stof opgive denne lørdag
- Prikken over i'et: Hvordan videnskabsmænd giver robotter menneskelignende taktile sanser
- Hubble fanger en gigantisk galaksehob, der kan hjælpe os med at forstå mørkt stof
- Kan supermassive sorte huller dannes ud fra mørkt stof?
